Observations de l’ensimage sur la fibre

Plusieurs observations en MEB et AFM ont été réalisées sur les fibres ensimées chez notre partenaire industriel. Les images de microscopie électronique à balayage (MEB) (figures 58 et 59) permettent de confirmer la présence d’un dépôt sur la fibre quelle que soit la vitesse de défilement de la fibre dans le bain, quelle que soit la température ou la concentration en PEI dans la dispersion aqueuse.

72 | P a g e

Fig. 58 : Images de microscopie électronique à balayage.

(A) Fibres de carbone non ensimées ; (B) Fibres ensimées à 10 m/min, T = 144°C, dispersion aqueuse à 0,5% m de PEI.

Fig. 59 : Images de microscopie électronique à balayage

(A) Fibres de carbone ensimées à 5 m/min, T = 255°C, dispersion aqueuse à 0,5% m de PEI ; (B) Fibres ensimées à 2 m/min, T = 210°C, dispersion aqueuse à 1% m de PEI.

Le dépôt est toutefois très épars et peu homogène le long de la fibre. Hormis pour une température supérieure à la température de fusion du PEI (217°C) (figure 59 A), tous les dépôts de PEI restent sous forme de particules sphériques à la surface des monofilaments.

A

B

73 | P a g e

Fig. 60 : Image de microscopie à force atomique

(A) Monofilament non ensimé ; (B) Profil en hauteur de ce même monofilament.

Fig. 61 : Image de microscopie à force atomique

(A) Monofilament ensimé à 5 m/min, T = 200°C, dispersion aqueuse à 0,5% m de PEI ; (B) Profil en hauteur de ce même monofilament.

Les images de microscopie à force atomique (AFM) permettent de confirmer ces observations. En effet, le profil en hauteur (figure 61 B) montre une particule de diamètre 400 nm. Ce diamètre est bien celui que la DDL analysait dans la dispersion aqueuse. Il n’y aurait donc pas coalescence des particules à la surface des fibres pour former un film homogène car le dépôt est en trop faible quantité sur la fibre.

3. Conclusion

A ce stade, la préparation et l’optimisation d’une formulation d’ensimage dite de 1ère

génération ont été réalisées ; c’est-à-dire, la dispersion aqueuse, à l’échelle laboratoire étudiée par Isabelle Giraud, directement transférée à l’échelle semi-industrielle.

L’étude QSPR a permis de réduire considérablement le nombre d’expériences pour atteindre rapidement les paramètres optimums pour cette dispersion. En effet, la formulation

A

B

A

74 | P a g e

d’ensimage optimisée contient 0,5% m de PEI, 0,57% m de chlorure de benzalkonium et 0,12% m de monostéarate de sorbitan. Ce dernier permet de réduire de 5% volumique la formation de mousse dû au chlorure de benzalkonium lors de l’étape d’émulsification. Après caractérisation, le diamètre moyen des particules au sein de la dispersion optimisée est de 500 nm et elle est stable 6h.

Les tests de filmification en laboratoire sur plaque de carbone avaient l’air prometteur avec un dépôt homogène sur la surface mais non homogène en épaisseur. Cependant les tests d’ensimage sur la ligne industrielle à l’aide d’un montage avec un rouleau encreur ou à l’aide d’une filière n’ont pas été concluants ; la manipulation des fibres reste toujours compliquée.

Les microscopies électroniques ou à force atomique ont montré que le dépôt était non homogène et insuffisant le long des monofilaments. De plus, les particules ne coalescent pas ce qui est dû à une trop grande fluidité des formules, mais peut être également dû à la présence du tensioactif non dégradé autour des particules de polymère.

La température de dégradation du chlorure de benzalkonium est de 260°C. Le procédé d’ensimage ne peut pas utiliser des températures supérieures à la température de fusion du PEI (217°C) ; le PEI n’ayant pas le temps de se solidifier avant le rembobinage de la fibre ensimée, ceci conduit à une bobine de fibres complètement collées.

De plus, le chlorure de benzalkonium, malgré la présence d’un agent anti-mousse, le monostéarate de sorbitan, génère encore trop de mousse lors du procédé d’émulsification sous Ultra Turrax®_{. Il est donc nécessaire de trouver un nouveau système de tensioactifs avec}

des températures de dégradation adaptées, qui pourra réduire la formation mousse de façon conséquente, mais aussi augmenter la viscosité de la formulation pour accroître sa stabilité et permettre un mouillage important de la fibre.

75 | P a g e

Références Chapitre 2

1. Giraud, I. Elaboration d'ensimages thermoplastiques thermostables : Influence sur le comportement mécanique des composites PEEK/Fibres de carbone. Université Paul Sabatier, Toulouse, 2011.

2. Marinova, K. G.; Denkov, N. D., Foam destruction by mixed solid-liquid antifoams in solutions of alkyl glucoside: Electrostatic interactions and dynamic effects. Langmuir 2001, 17, 2426-2436.

3. Kougias, P. G.; Tsapekos, P.; Boe, K.; Angelidaki, I., Antifoaming effect of chemical compounds in manure biogas reactors. Water research 2013, 47, 6280-6288.

4. Crum-Brown, A.; Fraser, T. R., On the connection between chemical constitution and physiological action; with special reference to the physiological action of the salts of the ammonium bases derived from strychnia, brucia, thebaia, codeia, morphia and nicotia. Transactions of the Royal Society of Edinburgh 1868, 25, 151-203.

5. Hammett, L. P., The effect of structure upon the reactions of organic compounds. Benzene derivatives. Journal of the American Chemical Society 1937, 59 (1), 96-103.

6. C., H.; Fujita, T., π-σ-π Analysis. A method for the correlation of biological activity and chemical structure. Journal of the American Chemical Society 1964, 86, 1616-1626.

7. Free, S. M.; Wilson, J. W., A mathematical contribution to structure-activity studies. Joural of medicinal chemistry 1964, 7 (4), 395-399.

8. Vonoepen, B.; Kordel, W.; Klein, W.; Schuurmann, G., Predictive QSPR models for estimating soil sorption coefficients - potential and limitations based on dominating processes. Science of the total environment 1991, 109, 343-354.

9. Grover, M.; Singh, B.; Bakshi, M.; Singh, S., Quantitative structure-property relationships in pharmaceutical research. Part 1. Pharmaceutical Science & Technology Today 2000, 3 (1), 28-35.

10. Grover, M.; Singh, B.; Bakshi, M.; Singh, S., Quantitative structure-property relationships in pharmaceutical research. Part 2. Pharmaceutical Science & Technology Today 2000, 3 (2), 50-57.

11. Cern, A.; Golbraikh, A.; Sedykh, A.; Tropsha, A.; Barenholz, Y.; Goldblum, A., Quantitative structure-property relationship modeling of remote liposome loading of drugs. Jouranl of controlled release 2012, 160, 147-157.

12. Katritzky, A. R.; Slavov, S. H.; Dobchev, D. A.; Karelson, M., Rapid QSPR model development technique for predictiction of vapor pressure of organic compounds. Computers & Chemical Engineering 2007, 31, 1123-1130.

13. Borders, T. L.; Fonseca, A. F.; Zhang, H.; Cho, K.; Rusinko, A., Developing descriptors to predict mechanical properties of nanotubes. Journal of chemical information and modeling 2013, 53 (4), 773-782.

14. Ghasemi, J.; Saaidpour, S.; Brown, S. D., QSPR study for estimation of acidity constants of some aromatic acids derivatives using multiple linear regression (MLR) analysis. Journal of Molecular Structure: THEOCHEM 2007, 805 (1-3), 27-32.

15. Geladi, P.; Kowalski, B. R., Partial least-squares regression: a tutorial. Analytica Chimica Acta 1986, 185, 1-17.

16. Myles, A. J.; Feudale, R. N.; Liu, Y.; Woody, N. A.; Brown, S. D., An introduction to decision tree modeling. Journal of Chemometrics 2004, 18 (6), 275-285.

17. Leardi, R., Genetic algorithms in chemometrics and chemistry: a review. Journal of Chemometrics 2001, 15 (7), 559-569.

18. Garrigues, J.-C. Synthèse ciblée et analyse des propriétés antifongiques de nouveaux glycolipides actifs contre aspergillus fumigatus. Etude quantitative de relations structure-

76 | P a g e

activité (QSAR) et approche du mécanisme d'action sur la membrane. Université Paul Sabatier, 1997.

19. Duprat, A. F.; Huynh, T.; Dreyfus, G., Toward a principled methodology for neural network design and performance evaluation in QSAR. Journal of chemical information and computer science 1998, 38, 586-594.

20. Fan, T.; Takayama, K.; Hattori, Y.; Maitani, Y., Formulation optimization of paclitaxel carried by PEGylated emulsions based on artificial neural network. Pharmaceutical Research 2004, 21 (9), 1692-1697.

21. Herrmann, J.; Alayon, A. B.; Trembley, J.; Grupa, U., Development of a rheological prediction model for food suspensions and emulsions. Journal of food engineering 2013, 115, 481-485.

22. Orimoto, Y.; Watanabe, K.; Yamashita, K.; Uehara, M.; Nakamura, H.; Furuya, T.; Maeda, H., Application of artificial neural networks to rapid data analysis in combinatorial nanoparticle syntheses. The journal of physical chemistry C 2012, 116, 17885-17896.

23. Amani, A.; York, P.; Chrystyn, h.; Clark, B. J., Factors affecting the stability of nanoemulsions - Use of artificial neural networks. Pharmaceutical Research 2010, 27 (1), 37-45. 24. Zhang, Z.; Friedrich, K.; Velten, K., Prediction on tribological properties of short fibre composites using artificial neural networks. Wear 2002, 252, 668-675.

25. Hiller, S. A.; Glaz, A. B.; Rastrigin, L. A.; Rosenblit, A. B., Recognition of physiological activity of chemical compounds on perceptron with random adaptation of structure. Dokl Akad Nauk SSSR 1971, 199, 851-853.

26. Rumelhart, D. E.; Hinton, G. E.; Williams, R. J., Learning representations by back- propagating errors. Nature 1986, 323, 533-536.

27. Cabane, B. Formulation des dispersions Techniques de l'ingénieur [Online], 2003.

28. Li, N.; Meng, Q.; Zhang, N., Dispersion stabilization of antimony-doped tin oxide (ATO) nanoparticles used for energy-efficient glass coating. Particuology 2014, 17, 49-53. 29. Einarson, M. B.; Berg, J. C., Electrosteric stabilization of colloidal latex dispersions. Journal of Colloid and Interface Science 1993, 155, 165-172.

30. Raiah, K.; Djalab, A.; Hadj-Ziane-Zafour, A.; Soula, B.; Galibert, A. M.; Flahaut, E., Influence of the hydrocarbon chain length of imidazolinium-based ionic liquid on the dispersion and stabilization of double-walled carbon nanotubes in water. Colloids and Surfaces A: Physicochemical and Engineering Aspects 2015, 469, 107-116.

77 | P a g e

CHAPITRE 3 :

FORMULATION DE 2EME

GENERATION A L’ECHELLE SEMI-

INDUSTRIELLE

« Savoir que l’on sait ce que l’on sait, et savoir que l’on ne sait pas ce que l’ont ne sait pas : voilà la véritable science »

78 | P a g e

Sommaire Chapitre 3

1. Formulation d’ensimage de 2ème _{génération ... 79}